欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023101307105
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,包括如下步骤:步骤S1、确定频谱空洞概率;

步骤S2、信息收发和任务计算;

步骤S3、确定系统平均能量效率目标函数;

步骤S4、利用粒子群算法进行优化。

2.根据权利要求1所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,在所述步骤S1中,协作频谱感知过程是:在T1时隙内,源节点S和无人机中继分别对接收到的来自主发射机PT的信号进行本地能量检测,然后无人机中继将本地感知结果通过专用控制信道传给源节点S,源节点S采用“OR”融合规则对无人机中继的感知结果和本地感知结果进行融合并做出最后的判决;其中感知时隙可分为两个子时隙ts和tr,第一个子时隙,源节点S和无人机中继分别进行频谱感知,第二个子时隙无人机中继将感知结果传给源节点S,由S进行融合并做出最后的判决,当感知结果报告时间tr很短,做忽略处理。

3.根据权利要求2所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,设定y(n)是源节点S或无人机中继在T1内接收到的PT发送信号,根据二元假设,PT存在或者不存在时的接收信号如下所示:其中,H1表示PT存在,H0表示PT不存在,xp(t)是功率为Pp的主用户发射信号,n(t)为服从2

N(0,σ)分布的高斯白噪声,hST是PT‑S链路的信道增益;M=tsfs为采样点数,fs为采样频率;

本地感知采用能量检测,S本地感知信号的能量统计值表示为源节点S在能量检测下的本地虚警概率Pf和本地检测概率Pd表示为:其中,Q(·)为标准高斯互补分布函数: η是源节点S和无人机中继本地能量检测器的判决门限,γ为S(或无人机中继)接收授权用户信号的平均信噪比:源节点S采用“OR”融合规则对S和无人机中继的本地判决结果进行融合,因此,最终整个系统的协作虚警概率Pfa和协作检测概率Pde如下:2

Pfa=1‑(1‑Pf) (1.5)

2

Pde=1‑(1‑Pd) (1.6)

由此可得:

4.根据权利要求3所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,步骤S2中,采用三维笛卡尔坐标系,其中源节点S、目的节点D、无人机中继r、主发射机PT、主接收机PR的三维坐标分别为(0,0,0)、(xd,0,0)、(xr,yr,H)、(xT,yT,0)、(xR,yR,

0);将传输时长T2划分成N个等长的时隙,每个时隙的长度为 无人机中继与地面通信节点之间的无线信道主要为视距信道,因此,S和无人机、无人机和D、S和PR、无人机和PR、S和PT、无人机和PT之间的信道增益分别表示为其中,β0表示在基准距离d0=1情况下的信道功率增益,dsr、drd、dsR、drR、dsT、drT分别表示S与无人机、无人机与D、S与PR、无人机与PR、S与PT、无人机与PT之间的距离;在快衰落信道模型下,系统涉及的无线信道在时长T内保持稳定状态。

5.根据权利要求4所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,所述步骤S2中包括以下流程:流程S2.1、确定本地计算中的数据比特量和能耗

捕获到原始数据之后,S同步执行任务的本地计算和卸载;针对本地计算,令C表示执行单位比特计算任务所需的CPU循环次数,ρ∈(0,1)表示数据压缩率;为高效利用有限的能量资源,S采用动态电压和频率缩放技术以自适应地控制计算能量消耗;将S在第n时刻的CPU频率表示为fs[n]循环每秒;在第n时刻S计算的任务比特量和相应的能耗分别为其中,γs表示S依赖于芯片结构的有效电容系数;

随着本地计算的进行,S在无人机中继的辅助下将计算结果共享给D;当主用户确实空闲,且协作感知未出现虚警时,令 表示第n时刻S发送出去的数据比特数,得到第n时刻S相应的信息传输能耗为tran 2

其中,Ps [n]表示信息发送功率,B表示信道带宽,σ表示无人机的天线噪声功率;

当主用户实际忙碌,但协作感知出现漏检时,第n时刻S发送出去的数据比特数表示为通过分析易知,在第n时刻,S只能发送或共享那些已被本地计算处理的数据,有信息因果性约束为(2.11)

考虑处理时延的存在,S在第一个和最后一个时隙不再传输计算结果,并且在最后2个时隙不再进行数据的本地计算;有 和fs[N]=fs[N‑1]=

0;

接收到来自S的信息之后,无人机充当中继对信息进行解码并转发给D;当主用户确实空闲,且协作感知未出现虚警时,令 表示第n时刻无人机中继转发出去的数据比特量,则第n时刻无人机相应的信息转发能耗为(1)for

其中,Pr [n]表示无人机的信息转发功率;

当主用户实际忙碌,但协作感知出现漏检时,第n时刻无人机中继转发出去的数据比特量表示为通过分析易知,无人机只能解码转发那些已从S发送过来的信息数据;

有信息因果性约束为

当处理时延,无人机在最开始的2个时隙内不会转发任何信息给D,有:

基于上述分析,将S成功分享的数据比特量和相应的能量消耗分别表示为流程S2.2、确定任务卸载中的数据比特量和能耗

令 表示第n时刻S卸载的任务数据比特量,则S在第n时刻的任务卸载能耗为:off

其中,Ps [n]表示发送功率;

当主用户实际忙碌,但协作感知出现漏检时,第n时刻S卸载的任务数据比特量为:接收到S发来的任务数据,无人机首先对其进行计算处理,然后再将计算结果转发给D;

设定无人机也采用动态电压和频率缩放技术以自适应地控制自身计算频率,且令fr[n]表示第n时刻的CPU频率,第n时刻无人机计算的任务数据比特量和相应的能耗可分别表示为:其中,γr表示无人机依赖于芯片结构的有效电容系数,当主用户确实空闲,且协作感知未出现虚警时, 表示第n时刻无人机转发到D的数据比特量,则相应的传输能耗为:(2)for

其中,Pr [n]表示传输功率;

当主用户实际忙碌,但协作感知出现漏检时,第n时刻无人机转发到D的数据比特量为在每个时隙,无人机只能计算已接收到的来自S的任务数据,且转发出去的数据量不得多 于 无 人 机 经自 身 计 算 处 理 产 生的 数 据 量 ;有 信 息 因 果 性 约 束 为(2.24)考到处理时延的存在,S在最后2个时隙不应该卸载任务给无人机,无人机在第一个和最后一个时隙不执行任务计算,且无人机在最开始的2个时隙无计算结果转发到D;因此,有fr[1]=fr[N]=0和基于以上分析,将该方法下S成功分享的数据比特量和相应的能量消耗分别表示为:在有限时长T内,S分享的数据比特量不少于最低阈值Imin,有约束在S和无人机中继传输数据的过程中,S和无人机会对主通信系统的正常通信产生干扰,在本地计算阶段产生的干扰为:在任务卸载阶段产生的干扰为

S和无人机对主接收机PR产生的平均干扰不大于干扰上限Γ,因此,有约束P(H1)(1‑Pde)(Ilocal+Ioffload)≤Γ(2.30)。

6.根据权利要求5所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,所述步骤S3的具体步骤如下:从整个系统的角度出发,通过对感知时间、计算资源和通信资源进行优化,实现系统平均能量效率最大化,系统能效定义为总分享数据比特与系统总能耗的比值,即:其中,Pv是次用户感知损耗功率, 为悬停耗能, PUAV为无人机处于悬停状态时的功率。

7.根据权利要求6所述的认知无人机边缘计算网络中能量效率最大化的优化方法,其特征在于,所述步骤S4的具体流程如下:流程S4.1、设置种群参数

初始化种群的个数sizepop,设定最大迭代次数ger,为最大化认知无人机边缘计算网络的能量效率,需要合理优化计算资源、通信资源和感知时间,即fs[n]、fr[n]、和ts,总维度dim为6N+1,将需要优化的变量分为中央处理单元频率、数据比特量和感知时间这三组,分别设置他们的位置和速度上下限;

步骤S4.2、生成初始种群

每一代的种群由sizepop个维度为6N+1的个体组成,每个个体设为pop_xj,g(j=1,

2,……,sizepop),其中,j表示个体在种群中的序列,g表示迭代次数,初始种群速度和位置是根据给定的边界约束随机选择初始值,随机生成的初始种群位置和速度分别表示为:其中,i=1,2,……;6N+1,j=1,2,……,sizepop, 和 分别表示pop_xi的最大值和最小值, 和 分别表示pop_vi的最大值和最小值,rand[0,1]表示在[0,1]之间产生均匀随机数;

通过不断的搜索,找到满足式(2.11)、(2.14)、(2.23)、(2.24)的pop_xij,0;在约束(2.27)、(2.30)下,根据目标函数(3.1)计算每个微粒的适应度,得到个体初始的历史最佳位置和历史最佳适应度以及群体初始的历史最佳位置和历史最佳适应度;

流程S4.3、粒子群迭代

标准粒子群算法的速度位置进化方程为:

pop_xj,g+1=pop_xj,g+pop_vj,g+1       (4.4)pop_vj,g表示第j个粒子在第g代的速度, 表示第j个微粒在第g代的最优位置, 表示群体第g代的最优位置,c1表示粒子对之前速度的继承系数,c2为粒子自身的行为对之后行为的影响系数,c3表示群体行为对每个粒子的影响系数,r1和r2为0‑1之间分布的随机数,根据公式(4.3)、(4.4)更新粒子的速度和位置并进行边界处理,然后再次找到满足式(2.11)、(2.14)、(2.23)、(2.24)的粒子位置,进行约束条件(2.27)和(2.30)的判断并计算新种群各个个体位置的适应度;

新适应度与个体历史最佳适应度作比较,更新个体历史最佳位置,更新个体历史最佳适应度;个体历史最佳适应度与种群历史最佳适应度作比较,更新种群历史最佳位置,更新种群历史最佳适应度;

当算法运行到提前设定好的最大迭代次数时停止计算并导出当前时刻粒子种群的全局最优值和适应度值,当没有达到最大迭代次数,则返回继续进行迭代循环。